WO2019015344A1 - 基于中心暗通道先验信息的图像显著性物体检测方法 - Google Patents

基于中心暗通道先验信息的图像显著性物体检测方法 Download PDF

Info

Publication number
WO2019015344A1
WO2019015344A1 PCT/CN2018/078935 CN2018078935W WO2019015344A1 WO 2019015344 A1 WO2019015344 A1 WO 2019015344A1 CN 2018078935 W CN2018078935 W CN 2018078935W WO 2019015344 A1 WO2019015344 A1 WO 2019015344A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
region
saliency
depth
dark channel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2018/078935
Other languages
English (en)
French (fr)
Inventor
李革
朱春彪
王文敏
王荣刚
高文
黄铁军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University Shenzhen Graduate School
Original Assignee
Peking University Shenzhen Graduate School
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University Shenzhen Graduate School filed Critical Peking University Shenzhen Graduate School
Publication of WO2019015344A1 publication Critical patent/WO2019015344A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Definitions

  • the present invention relates to the field of image processing technologies, and in particular, to a method for performing saliency object detection of an image using a central dark channel prior information.
  • the human eye's attention is quickly concentrated on a few prominent visual objects, and these objects are prioritized, a process known as visual saliency.
  • Significant detection is the use of this visual biological mechanism of the human eye, using mathematical calculations to simulate the human eye to properly process the image to obtain a significant object of the picture. Since we can prioritize the computational resources required for image analysis and synthesis through the saliency region, it is significant to detect the saliency region of the image by calculation.
  • the extracted saliency images can be widely used in many computer vision applications, including image segmentation of target objects of interest, detection and recognition of target objects, image compression and encoding, image retrieval, and content-aware image editing.
  • the existing saliency detection frameworks are mainly divided into a bottom-up saliency detection method and a top-down saliency detection method.
  • most of the bottom-up saliency detection methods are based on data-driven and independent of specific tasks; and the top-down saliency detection method is subject to consciousness and is related to specific tasks.
  • the bottom-up saliency detection method mostly uses low-level feature information such as color features, distance features, and some heuristic saliency features. Although these methods have their own advantages, they are not accurate enough to be robust enough on challenging data sets in specific scenarios.
  • existing methods have adopted depth information to enhance the accuracy of significant object detection. Although depth information can increase the accuracy of saliency object detection, the accuracy of saliency detection is affected when a significant object has a low contrast with its background.
  • the existing image saliency object detection method is not accurate when detecting significant objects, the method is not robust enough, and it is easy to cause false detection, missed detection, etc. It is difficult to obtain an accurate image saliency detection. As a result, not only the misdetection of the significant object itself is caused, but also a certain error is caused to the application using the significance detection result.
  • the present invention proposes a new image saliency object detection method based on the central dark channel prior information, which can solve the problem that the existing saliency detection accuracy is not high and the robustness is insufficient.
  • the saliency area in the image is more accurately displayed, providing accurate and useful information for later applications such as target recognition and classification.
  • a method for detecting image saliency objects based on prior information of central dark channel, using color, depth and distance information to locate and detect the saliency region of the image, and obtaining preliminary detection results of significant objects in the image, and then using the invention The proposed central dark channel prior information optimizes the final result of the significance test; its implementation includes the following steps:
  • the saliency object is located at the center position, and the center of the depth map I d sub-region k and the depth weight DW(d k ) are calculated;
  • the BSCA algorithm (based on the element) described in the literature (Qin Y, Lu H, Xu Y, et al. Saliency detection via Cellular Automata [C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2015: 110-119) is used.
  • the saliency detection method of the cellular automaton is to obtain the central prior information S csp of the image;
  • the invention provides an image saliency object detection algorithm based on the central dark channel prior information, and firstly calculates a preliminary saliency result based on the image color, space and depth information. Then the central dark channel prior information of the image is obtained. Finally, the preliminary significant result map is fused with the central dark channel prior information to obtain the final saliency test result map.
  • Experimental results show that the present invention is more effective than other methods.
  • the invention can detect significant objects more accurately and more robustly. Compared with the prior art, the present invention can increase the accuracy of the detection of significant objects by utilizing the central dark channel prior information for significant detection. At the same time, the robustness of the significance detection is also enhanced.
  • the invention is applicable to more complicated scenarios and has a wider range of use, such as the method of the present invention is applied to the field of small target detection and tracking.
  • FIG. 1 is a flow chart of the present invention.
  • FIG. 2 is a comparison diagram of a detection result image obtained by using an existing method, detecting an image by using the method of the present invention, and manually calibrating an expected image according to an embodiment of the present invention
  • the first column is the input image
  • the second column is the image obtained by manual calibration
  • the third column to the ninth column are the detection result images obtained by other existing methods
  • the tenth column is the detection result image of the present invention.
  • Figure 3 shows the application of the invention in the field of small target detection and tracking
  • the invention provides an image saliency object detection algorithm based on the central dark channel prior information, which can detect significant objects more accurately and more robustly.
  • the present invention first calculates a preliminary significant result based on image color, space, and depth information. Then the central dark channel prior information of the image is obtained. Finally, the preliminary significant result map is fused with the central dark channel prior information to obtain the final saliency test result map.
  • FIG. 1 is a flow chart of a method for detecting a significant object provided by the present invention, including the following steps:
  • Step 2 Using the K-means algorithm to divide the image into K regions, and calculate the color significance value of each sub-region by the formula (1):
  • D o (r k , r i ) represents the coordinate position distance of the region k and the region i
  • ⁇ is a range in which a parameter controls W d (r k ).
  • Step 3 The same as the color saliency value calculation method, calculate the depth saliency value of the depth map by the formula (3):
  • D d (r k , r i ) is the Euclidean distance of the region k and the region i in the depth space.
  • Step 4 Generally speaking, the saliency object is located at the center position, and the center of the region k and the depth weight W cd (r k ) are calculated by the formula (4):
  • G( ⁇ ) represents Gaussian normalization
  • represents Euclidean distance operation
  • P k is the position coordinate of region k
  • P o is the coordinate center of the image
  • N k is the number of pixels of region k.
  • DW(d k ) is the depth weight and is defined as follows:
  • max ⁇ d ⁇ represents the maximum depth of the depth map
  • d k represents the depth value of the region k
  • ⁇ is a parameter related to the calculated depth map, defined as follows:
  • min ⁇ d ⁇ represents the minimum depth of the depth map.
  • Step 5 Using the formula (7) to obtain a preliminary significance test result S 1 (r k ):
  • Step 6 obtaining a central dark channel prior information of the image
  • the image is obtained by using the algorithm described in the literature (Qin Y, Lu H, Xu Y, et al. Saliency detection via Cellular Automata [C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2015: 110-119). Center prior information S csp ;
  • Step IX Using the formula (9) to fuse the preliminary significance test results with the central dark channel prior information to obtain our final saliency test results:
  • the image of the detection result obtained by using the existing method, the image detected by the method of the present invention, and the comparison image of the image obtained by manual calibration are shown in FIG. 2; wherein the first column is the input image.
  • the second column is the image obtained by manual calibration, the third column to the ninth column are the detection result images obtained by other existing methods, and the tenth column is the detection result image of the present invention.
  • the present invention is applied to the field of small target detection and tracking; wherein, the first sequence of input video frames, the second behavior of the central dark channel prior information of the frame sequence, and the third behavior of the video detected by the algorithm
  • the sequence of frames, the fourth line manually calibrates the desired sequence of video frames. Therefore, the significant object detection algorithm based on the central dark channel prior information provided by the present invention is also applicable to the field of small target detection and tracking.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种基于中心暗通道先验信息的图像显著性物体的检测方法，利用颜色、深度、距离信息对图像的显著性区域进行定位检测，得到图像中显著性物体的初步检测结果，再利用本发明提出的中心暗通道先验信息，优化显著性检测的最终结果。。本发明能够更加精准，更加鲁棒地检测出显著性物体。本发明利用中心暗通道先验信息进行显著性检测，可增加显著性物体检测的精准性。同时，也增强了显著性检测的鲁棒性；能够解决现有的显著性检测精确度不高、健壮性不够的问题，使图像中的显著性区域更精准地显现出来，为后期的目标识别和分类等应用提供精准且有用的信息；适用于更多复杂的场景，使用范围更广。

Description

基于中心暗通道先验信息的图像显著性物体检测方法 技术领域
本发明涉及图像处理技术领域，尤其涉及一种利用中心暗通道先验信息进行图像的显著性物体检测的方法。
背景技术
在面对一个复杂场景时，人眼的注意力会迅速集中在少数几个显著的视觉对象上，并对这些对象进行优先处理，该过程被称为视觉显著性。显著性检测正是利用人眼的这种视觉生物学机制，用数学的计算方法模拟人眼对图像进行适当的处理，从而获得一张图片的显著性物体。由于我们可以通过显著性区域来优先分配图像分析与合成所需要的计算资源，所以，通过计算来检测图像的显著性区域意义重大。提取出的显著性图像可以广泛应用于许多计算机视觉领域的应用，包括对兴趣目标物体的图像分割，目标物体的检测与识别，图像压缩与编码，图像检索，内容感知图像编辑等方面。
通常来说，现有的显著性检测框架主要分为：自底向上的显著性检测方法和自顶向下的显著性检测方法。目前大多采用自底向上的显著性检测方法，它是基于数据驱动的，且独立于具体的任务；而自顶向下的显著性检测方法是受意识支配的，与具体任务相关。
现有方法中，自底向上的显著性检测方法大多使用低水平的特征信息，例如颜色特征、距离特征和一些启发式的显著性特征等。尽管这些方法有各自的优点，但是在一些特定场景下的具有挑战性的数据集上，这些方法表现的不够精确，不够健壮。为了解决这一问题，随着3D图像采集技术的出现，目前已有方法通过采用深度信息来增强显著性物体检测的精准度。尽管深度信息可以增加显著性物体检测的精准度，但是，当一个显著性物体与其背景有着低对比的深度时，还是会影响显著性检测的精准度。
综合来看，现有的图像显著性物体检测方法在检测显著性物体时精准度不高，方法健壮性不够强，容易造成误检、漏检等情况，很难得到一个精确的图像显著性检测结果，不仅造成显著性物体本身的错检，同时也会对利用显著性检测结果的应用造成一定的误差。
发明内容
为了克服上述现有技术的不足，本发明提出了一种新的基于中心暗通道先验信息的图像显著性物体检测方法，能够解决现有的显著性检测精确度不高、健壮性不够的问题，使图像 中的显著性区域更精准地显现出来，为后期的目标识别和分类等应用提供精准且有用的信息。
本发明提供的技术方案是：
一种基于中心暗通道先验信息的图像显著性物体的检测方法，利用颜色、深度、距离信息对图像的显著性区域进行定位检测，得到图像中显著性物体的初步检测结果，再利用本发明提出的中心暗通道先验信息，优化显著性检测的最终结果；其实现包括如下步骤：
1)输入一张待检测图像I o，利用Kinect设备得到的该图像的深度图I d；
2)利用K-means算法将图像I o分成K个区域，并计算得到图像I o每一个区域的颜色显著性值；
3)同颜色显著性值计算方式一样，计算得到深度图I d中每一个区域的的深度显著性值；
4)通常来说，显著性物体都位于中心位置，计算深度图I d子区域k的中心和深度权重DW(d k)；
5)进行初步显著性检测：利用待检测图像中每一个区域的颜色显著性值、深度图中每一个区域的深度显著性值和区域的中心和深度权重，通过高斯归一化方法计算得到初步的显著性检测结果S 1；
6)求取图像的中心暗通道先验信息；包括如下过程：
首先利用文献(Qin Y,Lu H,Xu Y,et al.Saliency detection via Cellular Automata[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE,2015:110-119)记载的BSCA算法(基于元胞自动机的显著性检测方法)求取图像的中心先验信息S csp；
然后，利用文献(Kaiming He,Jian Sun,and Xiaoou Tang.Single image haze removal using dark channel prior.In Computer Vision and Pattern Recognition,2009.CVPR 2009.IEEE Conference on,pages 1956–1963,2009)记载的算法(基于暗通道的图像去雾方法)求取图像的暗通道先验信息S dcp；
最后通过公式(8)求取图像的中心暗通道先验信息S cdcp：
S cdcp＝S cspS dcp   (8)
7)将步骤5)得到的初步显著性检测结果和步骤6)得到的中心暗通道先验信息利用式(9)进行融合，得到最后的显著性检测结果：
Figure PCTCN2018078935-appb-000001
其中，S即为最后的显著性检测结果。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于中心暗通道先验信息的图像显著性物体检测算法，首先基于图像颜色、空间、深度信息计算出初步的显著性结果。然后求取图像的中心暗通道先验信息。最后，将初步显著性结果图与中心暗通道先验信息进行融合，得到最后的显著性检测结果图。实验结果表明，本发明较其他方法检测结果更有效。
本发明能够更加精准，更加鲁棒地检测出显著性物体。与现有技术相比，本发明由于利用了中心暗通道先验信息进行显著性检测，可以增加显著性物体检测的精准性。同时，也增强了显著性检测的鲁棒性。本发明适用于更多复杂的场景，使用范围更广，如将本发明方法用于小目标检测追踪领域。
附图说明
图1为本发明提供的流程框图。
图2为本发明实施例中对输入图像分别采用现有方法、采用本发明方法检测图像得到的检测结果图像，以及人工标定期望得到图像的对比图；
其中，第一列为输入图像，第二列为人工标定期望得到的图像，第三列至第九列为现有其他方法得到的检测结果图像，第十列为本发明检测结果图像。
图3为本发明应用在小目标检测追踪领域；
其中，第一行为输入的视频帧序列，第二行为该帧序列的中心暗通道先验信息，第三行为本算法检测得到的视频帧序列，第四行人工标定期望得到的视频帧序列。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供了一种基于中心暗通道先验信息的图像显著性物体检测算法，能够更加精准，更加鲁棒地检测出显著性物体。本发明首先基于图像颜色、空间、深度信息计算出初步的显著性结果。然后求取图像的中心暗通道先验信息。最后，将初步显著性结果图与中心暗通道先验信息进行融合，得到最后的显著性检测结果图。图1为本发明提供的显著性物体检测方法的流程框图，包括以下步骤：
步骤一、输入一张待检测的图像I o，利用Kinect设备得到的该图像的深度图I d；
步骤二、利用K-means算法将图像分成K个区域，并通过式(1)计算得到每一个子区域的颜色显著性值：
Figure PCTCN2018078935-appb-000002
其中，r k和r i分别代表区域k和i，D c(r k,r i)表示区域k和区域i在L*a*b颜色空间上的欧氏距离，P i代表区域i所占图像区域的比例，W d(r k)定义如下：
Figure PCTCN2018078935-appb-000003
其中，D o(r k,r i)表示区域k和区域i的坐标位置距离，σ是一个参数控制着W d(r k)的范围。
步骤三、同颜色显著性值计算方式一样，通过式(3)计算深度图的深度显著性值：
Figure PCTCN2018078935-appb-000004
其中，D d(r k,r i)是区域k和区域i在深度空间的欧氏距离。
步骤四、通常来说，显著性物体都位于中心位置，通过式(4)计算区域k的中心和深度权重W cd(r k)：
Figure PCTCN2018078935-appb-000005
其中，G(·)表示高斯归一化，||·||表示欧氏距离操作，P k是区域k的位置坐标，P o是该图像的坐标中心，N k是区域k的像素数量。DW(d k)是深度权重，定义如下：
DW(d k)＝(max{d}-d k) μ    (5)
其中，max{d}表示深度图的最大深度，d k表示区域k的深度值，μ是一个与计算的深度图有关的参数，定义如下：
Figure PCTCN2018078935-appb-000006
其中，min{d}表示深度图的最小深度。
步骤五、利用式(7)得到初步的显著性检测结果S 1(r k)：
S 1(r k)＝G(S c(r k)×W cd(r k)+S d(r k)×W cd(r k))    (7)
步骤六、求取图像的中心暗通道先验信息；
首先利用文献(Qin Y,Lu H,Xu Y,et al.Saliency detection via Cellular Automata[C]//IEEE  Conference on Computer Vision and Pattern Recognition.IEEE,2015:110-119)记载的算法求取图像的中心先验信息S csp；
然后，利用文献(Kaiming He,Jian Sun,and Xiaoou Tang.Single image haze removal using dark channel prior.In Computer Vision and Pattern Recognition,2009.CVPR 2009.IEEE Conference on,pages 1956–1963,2009)记载的算法求取图像的暗通道先验信息S dcp；
最后通过公式(8)求取图像的中心暗通道先验信息S cdcp：
S cdcp＝S cspS dcp    (8)
步骤九、利用式(9)将初步显著性检测结果和中心暗通道先验信息进行融合，得到我们最后的显著性检测结果：
Figure PCTCN2018078935-appb-000007
本发明具体实施中，对输入图像分别采用现有方法、采用本发明方法检测图像得到的检测结果图像，以及人工标定期望得到图像的对比图如图2所示；其中，第一列为输入图像，第二列为人工标定期望得到的图像，第三列至第九列为现有其他方法得到的检测结果图像，第十列为本发明检测结果图像。
如图3所示，本发明应用在小目标检测追踪领域；其中，第一行为输入的视频帧序列，第二行为该帧序列的中心暗通道先验信息，第三行为本算法检测得到的视频帧序列，第四行人工标定期望得到的视频帧序列。因此，本发明提供了的基于中心暗通道先验信息的显著性物体检测算法也适用于小目标检测追踪领域。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (8)

  1. 一种基于中心暗通道先验信息的图像显著性物体的检测方法，利用颜色、深度、距离信息对图像的显著性区域进行定位检测，得到图像中显著性物体的初步检测结果，再利用中心暗通道先验信息进行优化，得到显著性检测的最终结果；包括如下步骤：
    1)输入一张待检测图像I o，获得该图像的深度图I d；
    2)将图像I o分成K个区域，并计算得到每一个区域的颜色显著性值；
    3)将深度图I d分成K个区域，计算得到深度图中每一个区域的的深度显著性值；
    4)计算图像I d每个子区域k的中心和深度权重DW(d k)；
    5)进行初步显著性检测：利用待检测图像I o中每一个区域的颜色显著性值、深度图I d中每一个区域的深度显著性值和区域的中心和深度权重DW(d k)，通过高斯归一化方法计算得到初步的显著性检测结果S 1；
    6)求取图像的中心暗通道先验信息；包括如下过程：
    首先求取图像的中心先验信息S csp；
    然后，求取图像的暗通道先验信息S dcp；
    最后通过公式(8)求取图像的中心暗通道先验信息S cdcp：
    S cdcp＝S cspS dcp             (8)
    7)将步骤5)得到的初步显著性检测结果和步骤6)得到的中心暗通道先验信息利用式(9)进行融合，得到最后的显著性检测结果：
    Figure PCTCN2018078935-appb-100001
    其中，S即为最后的显著性检测结果。
  2. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤1)具体利用Kinect设备得到的该图像的深度图I d。
  3. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤2)具体通过K-means算法将图像分成K个区域，并通过式(1)计算得到每一个子区域的颜色显著性值S c(r k)：
    Figure PCTCN2018078935-appb-100002
    其中，r k和r i分别代表区域k和i，D c(r k,r i)表示区域k和区域i在L*a*b颜色空间上的欧氏距离，P i代表区域i所占图像区域的比例，W d(r k)定义如式2：
    Figure PCTCN2018078935-appb-100003
    其中，D o(r k,r i)表示区域k和区域i的坐标位置距离，σ是一个参数控制着W d(r k)的范围。
  4. 如权利要求3所述图像显著性物体的检测方法，其特征是，步骤3)采用与步骤2)相同的方法将深度图I d分成多个区域，通过式(3)计算深度图的深度显著性值S d(r k)：
    Figure PCTCN2018078935-appb-100004
    其中，D d(r k,r i)是区域k和区域i在深度空间的欧氏距离。
  5. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤4)通过式(4)计算区域k的中心和深度权重W cd(r k)：
    Figure PCTCN2018078935-appb-100005
    其中，G(·)表示高斯归一化，||·||表示欧氏距离操作，P k是区域k的位置坐标，P o是该图像的坐标中心，N k是区域k的像素数量；DW(d k)是深度权重，定义如式(5)：
    DW(d k)＝(max{d}-d k) μ        (5)
    其中，max{d}表示深度图的最大深度，d k表示区域k的深度值，μ是一个与计算的深度图有关的参数，定义如式(6)：
    Figure PCTCN2018078935-appb-100006
    其中，min{d}表示深度图的最小深度。
  6. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤5)通过式(7)计算得到初步的显著性检测结果S 1(r k)：
    S 1(r k)＝G(S c(r k)×W cd(r k)+S d(r k)×W cd(r k))          (7)
    其中，G(·)表示高斯归一化；S c(r k)是每一个子区域的颜色显著性值；W cd(r k)是区域k的中心和深度权重；S d(r k)是深度图的深度显著性值。
  7. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤6)中采用基于元胞自动机的显著性检测方法求取图像的中心先验信息S csp。
  8. 如权利要求1所述图像显著性物体的检测方法，其特征是，步骤6)中采用基于暗通道的图像去雾方法求取图像的暗通道先验信息S dcp。
PCT/CN2018/078935 2017-07-21 2018-03-14 基于中心暗通道先验信息的图像显著性物体检测方法 Ceased WO2019015344A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710600386.3 2017-07-21
CN201710600386.3A CN107292318B (zh) 2017-07-21 2017-07-21 基于中心暗通道先验信息的图像显著性物体检测方法

Publications (1)

Publication Number Publication Date
WO2019015344A1 true WO2019015344A1 (zh) 2019-01-24

Family

ID=60101984

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/078935 Ceased WO2019015344A1 (zh) 2017-07-21 2018-03-14 基于中心暗通道先验信息的图像显著性物体检测方法

Country Status (2)

Country Link
CN (1) CN107292318B (zh)
WO (1) WO2019015344A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458178A (zh) * 2019-08-12 2019-11-15 浙江科技学院 多模态多拼接的rgb-d显著性目标检测方法
CN111524090A (zh) * 2020-01-13 2020-08-11 镇江优瞳智能科技有限公司 一种基于深度预测图的rgb-d显著性检测方法
CN112651406A (zh) * 2020-12-18 2021-04-13 浙江大学 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法
CN114842308A (zh) * 2022-03-16 2022-08-02 电子科技大学 一种基于全特征融合建立目标预判优化模型的方法
CN116758386A (zh) * 2023-05-29 2023-09-15 国网江苏省电力有限公司南京供电分公司 一种电缆隧道渗水检测方法、装置、设备和存储介质
CN119919331A (zh) * 2025-01-23 2025-05-02 江苏优众微纳半导体科技有限公司 基于伽玛校正先验驱动注意力机制的图像增强方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292318B (zh) * 2017-07-21 2019-08-09 北京大学深圳研究生院 基于中心暗通道先验信息的图像显著性物体检测方法
CN107886533B (zh) * 2017-10-26 2021-05-04 深圳大学 立体图像的视觉显著性检测方法、装置、设备及存储介质
CN109410171B (zh) * 2018-09-14 2022-02-18 安徽三联学院 一种用于雨天图像的目标显著性检测方法
CN112529896A (zh) * 2020-12-24 2021-03-19 山东师范大学 基于暗通道先验的红外小目标检测方法及系统
CN112861880B (zh) * 2021-03-05 2021-12-07 江苏实达迪美数据处理有限公司 基于图像分类的弱监督rgbd图像显著性检测方法及系统
CN117714862B (zh) * 2023-08-03 2025-03-28 荣耀终端股份有限公司 对焦方法、电子设备、芯片系统、存储介质及程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050674A (zh) * 2014-06-27 2014-09-17 中国科学院自动化研究所 一种显著性区域检测方法及装置
CN105404888A (zh) * 2015-11-16 2016-03-16 浙江大学 结合颜色和深度信息的显著性目标检测方法
CN105898278A (zh) * 2016-05-26 2016-08-24 杭州电子科技大学 一种基于双目多维感知特性的立体视频显著性检测方法
CN107292318A (zh) * 2017-07-21 2017-10-24 北京大学深圳研究生院 基于中心暗通道先验信息的图像显著性物体检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6330385B2 (ja) * 2014-03-13 2018-05-30 オムロン株式会社 画像処理装置、画像処理方法およびプログラム
CN104574375B (zh) * 2014-12-23 2017-05-03 浙江大学 结合彩色和深度信息的图像显著性检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050674A (zh) * 2014-06-27 2014-09-17 中国科学院自动化研究所 一种显著性区域检测方法及装置
CN105404888A (zh) * 2015-11-16 2016-03-16 浙江大学 结合颜色和深度信息的显著性目标检测方法
CN105898278A (zh) * 2016-05-26 2016-08-24 杭州电子科技大学 一种基于双目多维感知特性的立体视频显著性检测方法
CN107292318A (zh) * 2017-07-21 2017-10-24 北京大学深圳研究生院 基于中心暗通道先验信息的图像显著性物体检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHU, QINGSONG ET AL.: "An Adaptive and Effective Single Image Dehazing Algorithm Based on Dark Channel Prior", PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO) SHENZHEN , CHINA , DECEMBER 2013, 12 December 2013 (2013-12-12) - 14 December 2013 (2013-12-14), pages 1796 - 1800, XP055567134, Retrieved from the Internet <URL:DOI:10.1109/ROBIO.2013.6739728> *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458178A (zh) * 2019-08-12 2019-11-15 浙江科技学院 多模态多拼接的rgb-d显著性目标检测方法
CN110458178B (zh) * 2019-08-12 2023-09-22 浙江科技学院 多模态多拼接的rgb-d显著性目标检测方法
CN111524090A (zh) * 2020-01-13 2020-08-11 镇江优瞳智能科技有限公司 一种基于深度预测图的rgb-d显著性检测方法
CN112651406A (zh) * 2020-12-18 2021-04-13 浙江大学 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法
CN112651406B (zh) * 2020-12-18 2022-08-09 浙江大学 一种深度感知和多模态自动融合的rgb-d显著性目标检测方法
CN114842308A (zh) * 2022-03-16 2022-08-02 电子科技大学 一种基于全特征融合建立目标预判优化模型的方法
CN116758386A (zh) * 2023-05-29 2023-09-15 国网江苏省电力有限公司南京供电分公司 一种电缆隧道渗水检测方法、装置、设备和存储介质
CN119919331A (zh) * 2025-01-23 2025-05-02 江苏优众微纳半导体科技有限公司 基于伽玛校正先验驱动注意力机制的图像增强方法及系统

Also Published As

Publication number Publication date
CN107292318B (zh) 2019-08-09
CN107292318A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
WO2019015344A1 (zh) 基于中心暗通道先验信息的图像显著性物体检测方法
US11182592B2 (en) Target object recognition method and apparatus, storage medium, and electronic device
US9710698B2 (en) Method, apparatus and computer program product for human-face features extraction
US10740912B2 (en) Detection of humans in images using depth information
CN105404884B (zh) 图像分析方法
WO2019020103A1 (zh) 目标识别方法、装置、存储介质和电子设备
CN112287866A (zh) 一种基于人体关键点的人体动作识别方法及装置
CN112329663B (zh) 一种基于人脸图像序列的微表情时刻检测方法及装置
US20230334235A1 (en) Detecting occlusion of digital ink
CN106022231A (zh) 一种基于多特征融合的行人快速检测的技术方法
CN111126108A (zh) 图像检测模型的训练和图像检测方法及装置
WO2016145591A1 (en) Moving object detection based on motion blur
WO2019128254A1 (zh) 图像分析方法、装置、电子设备及可读存储介质
CN108229494B (zh) 网络训练方法、处理方法、装置、存储介质和电子设备
CN108615014B (zh) 一种眼睛状态的检测方法、装置、设备和介质
CN110991412A (zh) 人脸识别的方法、装置、存储介质及电子设备
CN110781712A (zh) 一种基于人脸检测与识别的人头空间定位方法
CN113971742A (zh) 关键点检测、模型的训练、直播方法、装置、设备及介质
CN103607558A (zh) 一种视频监控系统及其目标匹配方法和装置
JP6244886B2 (ja) 画像処理装置、画像処理方法および画像処理プログラム
CN108647605B (zh) 一种结合全局颜色与局部结构特征的人眼凝视点提取方法
CN112766028A (zh) 人脸模糊处理方法、装置、电子设备及存储介质
CN106127210A (zh) 一种基于多特征的显著性检测方法
Tian et al. Detecting good quality frames in videos captured by a wearable camera for blind navigation
CN107145892A (zh) 一种基于自适应融合机制的图像显著性物体检测方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18835489

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18835489

Country of ref document: EP

Kind code of ref document: A1